لیلا نظری1، زهرا زینتی*2
1- بخش تحقیقات زراعی و باغی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی فارس، سازمان تحقیقات، آموزش و ترویج کشاورزی، شیراز، ایران
2- بخش اگرواکولوژی، دانشکده کشاورزی و منابع طبیعی داراب، دانشگاه شیراز
2- بخش اگرواکولوژی، دانشکده کشاورزی و منابع طبیعی داراب، دانشگاه شیراز
چکیده: (5 مشاهده)
مقدمه و هدف: سورگوم به‌عنوان یک گیاه چهار کربنه، اگرچه نسبت به تنش‌های غیرزیستی مختلف نسبتاً متحمل است، اما عملکرد آن به‌طور قابل توجهی تحت تأثیر دماهای بالاتر از ۳۲ درجه سانتی‌گراد و پایین‌تر از ۱۵ درجه سانتی‌گراد قرار می‌گیرد. انتخاب ژن‌های کلیدی داده‌های بیان ژن با استفاده از روش‌های انتخاب ویژگی، فرآیندی است که در آن به کمک الگوریتم‌های آماری و محاسباتی، مهم‌ترین ژن‌های موثر در تحمل به تنش شناسایی می‌شوند. نتیجه این فرآیند، فیلتر شدن ژن‌هایی است که بیشترین ارتباط را با تنش مورد مطالعه دارند. روش فیلتر یکی از روش‌های انتخاب ویژگی است که مستقل از الگوریتم‌های یادگیری ماشین عمل می‌کند. ترکیب روش‌های مختلف فیلتر، امکان انتخاب بهینه و دقیق ویژگی‌های موثر در پاسخ ژنتیکی سورگوم به تنش‌های دمایی را فراهم می‌آورد. با توجه به این موضوع، هدف از این مطالعه شناسایی ژن‌های کلیدی مؤثر در پاسخ به تنش‌های دمایی (سرما و گرما) در گیاه سورگوم از طریق داده‌های ترانسکریپتومی و به‌کارگیری روش‌های فیلتر شامل کسب اطلاعات (Information Gain)، نسبت کسب اطلاعات (Gain Ratio) و Relief می‌باشد.
مواد و روش‌ها: در این مطالعه، داده‌های شمارش مربوط به بیان ژن از پایگاه GEO (https://www.ncbi.nlm.nih.gov/geo/) با شماره دسترسی GSE225632استخراج شد. تجزیه و تحلیل بر روی داده‌های برگ گیاه سورگوم در شرایط کنترل و تحت تنش دما در چهار زمان مختلف روز انجام شد. داده‌ها به دو کلاس کنترل و تنش (سرما و گرما) تقسیم شدند و با استفاده از بسته DESeq2 در نرم‌افزار R، ژن‌های با تغییرات بیان شناسایی گردیدند. سپس با استفاده از سه الگوریتم انتخاب ویژگی (Information Gain، Gain Ratio و Relief) ژن‌های برتر انتخاب شدند و با استفاده از نمودار ون، تعداد ژن‌های مشترک بین الگوریتم‌ها بررسی شد. برای اعتبارسنجی نتایج، از الگوریتم‌های یادگیری ماشین Bayes Net و Random Forest استفاده شد. این الگوریتم‌ها در نرم‌افزار Weka 3.7 اجرا شدند و عملکرد آن‌ها در طبقه‌بندی نمونه‌ها بر اساس ویژگی‌های شناسایی‌شده مقایسه شد.
یافته‌ها: از مجموع ۳۴۱۲۹ ژن بررسی‌شده، ۲۱۳۶ ژن با تغییر بیان معنادار در سطح 05/0 که دارای log2FoldChange بیشتر از یک بودند، انتخاب شدند و در مراحل بعدی برای انتخاب ویژگی و تحلیل‌های یادگیری ماشین مورد استفاده قرار گرفتند. در مجموع، ۹ ژن به‌طور مشترک توسط سه الگوریتم انتخاب ویژگی شناسایی شدند. عملکرد الگوریتم‌های یادگیری ماشین در طبقه‌بندی نمونه‌ها نشان داد که Bayes Net در تمام کلاس‌ها موفق به ایجاد دقت بالایی شد، به‌طوری‌که در کلاس کنترل، نرخ حساسیت برابر با ۱ و دقت پیش‌بینی برابر با ۰.۹۸ بدست آمد. در الگوریتم Random Forest دقت مشابهی مشاهده شد که نشانگر کارایی آن در شناسایی صحیح نمونه‌ها بود.
نتیجه‌گیری: نتایج این مطالعه نشان می‌دهند که شناسایی و تحلیل ژن‌های کلیدی موثر در پاسخ گیاه سورگوم به تنش‌های دمایی زمینه‌ساز مطالعه دقیق‌تر مسیرها و شبکه‌های بیولوژیکی دخیل در تنظیم پاسخ‌های سلولی است و می‌تواند به افزایش فهم ما از مکانیسم‌های مولکولی این گیاه تحت شرایط تنش کمک شایانی نماید. از میان ۲۱۳۶ ژن شناسایی‌شده با تغییرات بیان معنادار، ۹ ژن به‌طور مشترک توسط سه الگوریتم انتخاب ویژگی شناسایی شدند. برای تایید این ژن‌ها به عنوان شاخصهای مولکولی مناسب، نیاز است آزمایش‌های بیولوژیکی مستقل بر روی رقم‌های مختلف سورگوم، انجام شود تا تغییرات بیان آن‌ها در شرایط تجربی تأیید گردد. عملکرد مطلوب الگوریتم‌های یادگیری ماشین شامل Bayes Net و Random Forest در طبقه‌بندی نمونه‌ها نشان‌دهنده قدرت و دقت این مدل‌ها در تفکیک بیان ژن‌ها در شرایط تنش دما و کنترل است. بررسی همولوگ ژن Sobic.004G283300 در آرابیدوپسیس و ذرت، و همولوگ‌های ژن‌های Sobic.010G100600 و Sobic.006G093500 در آرابیدوپسیس بر نقش آن‌ها در تنش‌های گرمایی دلالت دارد. علاوه بر این، بررسی همولوگ‌های ژن‌های شناسایی‌شده در گونه‌های مدل مانند برنج و ذرت در پایگاه‌های داده ژنومی و مقالات علمی نشان می‌دهد که تاکنون گزارشی معتبر و مستندی در خصوص نقش دقیق و عملکرد زیستی ژن‌های Sobic.010G128900، Sobic.001G093100، Sobic.007G168100، Sobic.002G269100، Sobic.006G183701 و Sobic.002G047800 در پاسخ به تنش‌های دمایی وجود ندارد. این شش ژن به‌عنوان ژن‌های ناشناخته (uncharacterized) معرفی شده‌اند و عملکرد آن‌ها در سطح مولکولی تاکنون مورد مطالعه قرار نگرفته است. بنابراین، انجام تحقیقات بیشتر برای مشخص کردن نقش این ژن‌ها در فرآیندهای فیزیولوژیکی و پاسخ به تنش‌های دمایی در سورگوم ضروری استتا به درک بهتری از عملکرد آن‌ها در واکنش به تنش‌های محیطی دست یابیم. این اطلاعات می‌تواند زمینه‌ساز توسعه ارقام جدید و مقاوم در برابر شرایط نامساعد زیست‌محیطی باشد و به پایداری کشاورزی در آینده کمک کند. پیشنهاد می‌شود که مطالعات بیشتری بر روی ژن‌های شناسایی‌شده و همچنین ژن‌های ناشناخته انجام شود تا عملکرد دقیق آن‌ها در زمینه‌های مختلف تنش‌های زیستی و غیرزیستی بیشتر مورد بررسی قرار گیرد. همچنین، اقدامات تجربی و میدانی برای ارزیابی کارایی این شاخصهای مولکولی در شرایط واقعی کشاورزی ضروری است. انجام چنین عملیاتی می‌تواند به بهبود مستمر و پایداری تولیدات زراعی کمک کند.
مواد و روش‌ها: در این مطالعه، داده‌های شمارش مربوط به بیان ژن از پایگاه GEO (https://www.ncbi.nlm.nih.gov/geo/) با شماره دسترسی GSE225632استخراج شد. تجزیه و تحلیل بر روی داده‌های برگ گیاه سورگوم در شرایط کنترل و تحت تنش دما در چهار زمان مختلف روز انجام شد. داده‌ها به دو کلاس کنترل و تنش (سرما و گرما) تقسیم شدند و با استفاده از بسته DESeq2 در نرم‌افزار R، ژن‌های با تغییرات بیان شناسایی گردیدند. سپس با استفاده از سه الگوریتم انتخاب ویژگی (Information Gain، Gain Ratio و Relief) ژن‌های برتر انتخاب شدند و با استفاده از نمودار ون، تعداد ژن‌های مشترک بین الگوریتم‌ها بررسی شد. برای اعتبارسنجی نتایج، از الگوریتم‌های یادگیری ماشین Bayes Net و Random Forest استفاده شد. این الگوریتم‌ها در نرم‌افزار Weka 3.7 اجرا شدند و عملکرد آن‌ها در طبقه‌بندی نمونه‌ها بر اساس ویژگی‌های شناسایی‌شده مقایسه شد.
یافته‌ها: از مجموع ۳۴۱۲۹ ژن بررسی‌شده، ۲۱۳۶ ژن با تغییر بیان معنادار در سطح 05/0 که دارای log2FoldChange بیشتر از یک بودند، انتخاب شدند و در مراحل بعدی برای انتخاب ویژگی و تحلیل‌های یادگیری ماشین مورد استفاده قرار گرفتند. در مجموع، ۹ ژن به‌طور مشترک توسط سه الگوریتم انتخاب ویژگی شناسایی شدند. عملکرد الگوریتم‌های یادگیری ماشین در طبقه‌بندی نمونه‌ها نشان داد که Bayes Net در تمام کلاس‌ها موفق به ایجاد دقت بالایی شد، به‌طوری‌که در کلاس کنترل، نرخ حساسیت برابر با ۱ و دقت پیش‌بینی برابر با ۰.۹۸ بدست آمد. در الگوریتم Random Forest دقت مشابهی مشاهده شد که نشانگر کارایی آن در شناسایی صحیح نمونه‌ها بود.
نتیجه‌گیری: نتایج این مطالعه نشان می‌دهند که شناسایی و تحلیل ژن‌های کلیدی موثر در پاسخ گیاه سورگوم به تنش‌های دمایی زمینه‌ساز مطالعه دقیق‌تر مسیرها و شبکه‌های بیولوژیکی دخیل در تنظیم پاسخ‌های سلولی است و می‌تواند به افزایش فهم ما از مکانیسم‌های مولکولی این گیاه تحت شرایط تنش کمک شایانی نماید. از میان ۲۱۳۶ ژن شناسایی‌شده با تغییرات بیان معنادار، ۹ ژن به‌طور مشترک توسط سه الگوریتم انتخاب ویژگی شناسایی شدند. برای تایید این ژن‌ها به عنوان شاخصهای مولکولی مناسب، نیاز است آزمایش‌های بیولوژیکی مستقل بر روی رقم‌های مختلف سورگوم، انجام شود تا تغییرات بیان آن‌ها در شرایط تجربی تأیید گردد. عملکرد مطلوب الگوریتم‌های یادگیری ماشین شامل Bayes Net و Random Forest در طبقه‌بندی نمونه‌ها نشان‌دهنده قدرت و دقت این مدل‌ها در تفکیک بیان ژن‌ها در شرایط تنش دما و کنترل است. بررسی همولوگ ژن Sobic.004G283300 در آرابیدوپسیس و ذرت، و همولوگ‌های ژن‌های Sobic.010G100600 و Sobic.006G093500 در آرابیدوپسیس بر نقش آن‌ها در تنش‌های گرمایی دلالت دارد. علاوه بر این، بررسی همولوگ‌های ژن‌های شناسایی‌شده در گونه‌های مدل مانند برنج و ذرت در پایگاه‌های داده ژنومی و مقالات علمی نشان می‌دهد که تاکنون گزارشی معتبر و مستندی در خصوص نقش دقیق و عملکرد زیستی ژن‌های Sobic.010G128900، Sobic.001G093100، Sobic.007G168100، Sobic.002G269100، Sobic.006G183701 و Sobic.002G047800 در پاسخ به تنش‌های دمایی وجود ندارد. این شش ژن به‌عنوان ژن‌های ناشناخته (uncharacterized) معرفی شده‌اند و عملکرد آن‌ها در سطح مولکولی تاکنون مورد مطالعه قرار نگرفته است. بنابراین، انجام تحقیقات بیشتر برای مشخص کردن نقش این ژن‌ها در فرآیندهای فیزیولوژیکی و پاسخ به تنش‌های دمایی در سورگوم ضروری استتا به درک بهتری از عملکرد آن‌ها در واکنش به تنش‌های محیطی دست یابیم. این اطلاعات می‌تواند زمینه‌ساز توسعه ارقام جدید و مقاوم در برابر شرایط نامساعد زیست‌محیطی باشد و به پایداری کشاورزی در آینده کمک کند. پیشنهاد می‌شود که مطالعات بیشتری بر روی ژن‌های شناسایی‌شده و همچنین ژن‌های ناشناخته انجام شود تا عملکرد دقیق آن‌ها در زمینه‌های مختلف تنش‌های زیستی و غیرزیستی بیشتر مورد بررسی قرار گیرد. همچنین، اقدامات تجربی و میدانی برای ارزیابی کارایی این شاخصهای مولکولی در شرایط واقعی کشاورزی ضروری است. انجام چنین عملیاتی می‌تواند به بهبود مستمر و پایداری تولیدات زراعی کمک کند.
نوع مطالعه: پژوهشي |
موضوع مقاله:
اصلاح براي تنش هاي زنده و غيرزنده محيطي
دریافت: 1404/1/30 | پذیرش: 1404/3/18
دریافت: 1404/1/30 | پذیرش: 1404/3/18
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
